Apache Pig - 连接运算符


JOIN运算符用于组合两个或多个关系中的记录。在执行连接操作时,我们将每个关系中的一个(或一组)元组声明为键。当这些键匹配时,两个特定元组就会匹配,否则记录将被删除。连接可以是以下类型 -

  • 自加入
  • 内部联接
  • 外连接 - 左连接、右连接和全连接

本章通过示例解释如何在 Pig Latin 中使用连接运算符。假设HDFS的/pig_data/目录下有两个文件customers.txtorders.txt,如下所示。

客户.txt

1,Ramesh,32,Ahmedabad,2000.00
2,Khilan,25,Delhi,1500.00
3,kaushik,23,Kota,2000.00
4,Chaitali,25,Mumbai,6500.00 
5,Hardik,27,Bhopal,8500.00
6,Komal,22,MP,4500.00
7,Muffy,24,Indore,10000.00

订单.txt

102,2009-10-08 00:00:00,3,3000
100,2009-10-08 00:00:00,3,1500
101,2009-11-20 00:00:00,2,1560
103,2008-05-20 00:00:00,4,2060

我们已将这两个文件与关系客户订单一起加载到 Pig 中,如下所示。

grunt> customers = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int);
  
grunt> orders = LOAD 'hdfs://localhost:9000/pig_data/orders.txt' USING PigStorage(',')
   as (oid:int, date:chararray, customer_id:int, amount:int);

现在让我们对这两个关系执行各种 Join 操作。

自加盟

自联接用于将表与其自身联接起来,就好像该表是两个关系一样,暂时重命名至少一个关系。

通常,在 Apache Pig 中,为了执行自连接,我们会使用不同的别名(名称)多次加载相同的数据。因此,让我们将文件customers.txt的内容加载为两个表,如下所示。

grunt> customers1 = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int);
  
grunt> customers2 = LOAD 'hdfs://localhost:9000/pig_data/customers.txt' USING PigStorage(',')
   as (id:int, name:chararray, age:int, address:chararray, salary:int); 

句法

下面给出的是使用JOIN运算符执行自连接操作的语法。

grunt> Relation3_name = JOIN Relation1_name BY key, Relation2_name BY key ;

例子

让我们通过连接两个关系customers1customers2来对关系customers执行自连接操作,如下所示。

grunt> customers3 = JOIN customers1 BY id, customers2 BY id;

确认

使用DUMP运算符验证关系customers3,如下所示。

grunt> Dump customers3;

输出

它将产生以下输出,显示关系客户的内容。

(1,Ramesh,32,Ahmedabad,2000,1,Ramesh,32,Ahmedabad,2000)
(2,Khilan,25,Delhi,1500,2,Khilan,25,Delhi,1500)
(3,kaushik,23,Kota,2000,3,kaushik,23,Kota,2000)
(4,Chaitali,25,Mumbai,6500,4,Chaitali,25,Mumbai,6500)
(5,Hardik,27,Bhopal,8500,5,Hardik,27,Bhopal,8500)
(6,Komal,22,MP,4500,6,Komal,22,MP,4500)
(7,Muffy,24,Indore,10000,7,Muffy,24,Indore,10000)

内部联接

内连接(Inner Join)的使用非常频繁;它也称为等值连接。当两个表中存在匹配项时,内部联接将返回行。

它通过基于连接谓词组合两个关系(例如 A 和 B)的列值来创建新关系。该查询将 A 的每一行与 B 的每一行进行比较,以查找满足连接谓词的所有行对。当满足连接谓词时,A 和 B 的每个匹配行对的列值将组合成一个结果行。

句法

以下是使用JOIN运算符执行内连接操作的语法。

grunt> result = JOIN relation1 BY columnname, relation2 BY columnname;

例子

让我们对两个关系客户订单执行内连接操作,如下所示。

grunt> coustomer_orders = JOIN customers BY id, orders BY customer_id;

确认

使用DUMP运算符验证关系coustomer_orders,如下所示。

grunt> Dump coustomer_orders;

输出

您将得到以下输出,其中包含名为coustomer_orders的关系的内容。

(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560)
(3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500)
(3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000)
(4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)

注意-

外连接:与内连接不同,外连接返回至少一个关系中的所有行。外连接操作以三种方式执行 -

  • 左外连接
  • 右外连接
  • 全外连接

左外连接

外连接操作返回左表中的所有行,即使右关系中没有匹配项。

句法

下面给出的是使用JOIN运算符执行左外连接操作的语法。

grunt> Relation3_name = JOIN Relation1_name BY id LEFT OUTER, Relation2_name BY customer_id;

例子

让我们对两个关系客户和订单执行左外连接操作,如下所示。

grunt> outer_left = JOIN customers BY id LEFT OUTER, orders BY customer_id;

确认

使用DUMP运算符验证关系external_left,如下所示。

grunt> Dump outer_left;

输出

它将产生以下输出,显示关系external_left的内容。

(1,Ramesh,32,Ahmedabad,2000,,,,)
(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560)
(3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500)
(3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000)
(4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)
(5,Hardik,27,Bhopal,8500,,,,)
(6,Komal,22,MP,4500,,,,)
(7,Muffy,24,Indore,10000,,,,) 

右外连接

外连接操作返回右表中的所有行,即使左表中没有匹配项也是如此。

句法

下面给出的是使用JOIN运算符执行右外连接操作的语法。

grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;

例子

让我们对两个关系客户订单执行右外连接操作,如下所示。

grunt> outer_right = JOIN customers BY id RIGHT, orders BY customer_id;

确认

使用DUMP运算符验证关系outer_right,如下所示。

grunt> Dump outer_right

输出

它将产生以下输出,显示关系outer_right的内容。

(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560)
(3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500)
(3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000)
(4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)

全外连接

当关系之一存在匹配项时,完整外连接操作会返回行

句法

下面给出的是使用JOIN运算符执行完全外连接的语法。

grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;

例子

让我们对两个关系客户订单执行完整的外连接操作,如下所示。

grunt> outer_full = JOIN customers BY id FULL OUTER, orders BY customer_id;

确认

使用DUMP运算符验证关系outer_full,如下所示。

grun> Dump outer_full; 

输出

它将产生以下输出,显示关系outer_full的内容。

(1,Ramesh,32,Ahmedabad,2000,,,,)
(2,Khilan,25,Delhi,1500,101,2009-11-20 00:00:00,2,1560)
(3,kaushik,23,Kota,2000,100,2009-10-08 00:00:00,3,1500)
(3,kaushik,23,Kota,2000,102,2009-10-08 00:00:00,3,3000)
(4,Chaitali,25,Mumbai,6500,103,2008-05-20 00:00:00,4,2060)
(5,Hardik,27,Bhopal,8500,,,,)
(6,Komal,22,MP,4500,,,,)
(7,Muffy,24,Indore,10000,,,,)

使用多个键

我们可以使用多个键执行 JOIN 操作。

句法

以下是如何使用多个键对两个表执行 JOIN 操作。

grunt> Relation3_name = JOIN Relation2_name BY (key1, key2), Relation3_name BY (key1, key2);

假设HDFS的/pig_data/目录下有两个文件employee.txtemployee_contact.txt,如下所示。

员工.txt

001,Rajiv,Reddy,21,programmer,003
002,siddarth,Battacharya,22,programmer,003
003,Rajesh,Khanna,22,programmer,003
004,Preethi,Agarwal,21,programmer,003
005,Trupthi,Mohanthy,23,programmer,003
006,Archana,Mishra,23,programmer,003
007,Komal,Nayak,24,teamlead,002
008,Bharathi,Nambiayar,24,manager,001

员工联系方式.txt

001,9848022337,Rajiv@gmail.com,Hyderabad,003
002,9848022338,siddarth@gmail.com,Kolkata,003
003,9848022339,Rajesh@gmail.com,Delhi,003
004,9848022330,Preethi@gmail.com,Pune,003
005,9848022336,Trupthi@gmail.com,Bhuwaneshwar,003
006,9848022335,Archana@gmail.com,Chennai,003
007,9848022334,Komal@gmail.com,trivendram,002
008,9848022333,Bharathi@gmail.com,Chennai,001

我们已将这两个文件加载到 Pig 中,其关系为“employee”“employee_contact”,如下所示。

grunt> employee = LOAD 'hdfs://localhost:9000/pig_data/employee.txt' USING PigStorage(',')
   as (id:int, firstname:chararray, lastname:chararray, age:int, designation:chararray, jobid:int);
  
grunt> employee_contact = LOAD 'hdfs://localhost:9000/pig_data/employee_contact.txt' USING PigStorage(',') 
   as (id:int, phone:chararray, email:chararray, city:chararray, jobid:int);

现在,让我们使用JOIN运算符连接这两个关系的内容,如下所示。

grunt> emp = JOIN employee BY (id,jobid), employee_contact BY (id,jobid);

确认

使用DUMP运算符验证关系emp,如下所示。

grunt> Dump emp; 

输出

它将产生以下输出,显示名为emp的关系的内容,如下所示。

(1,Rajiv,Reddy,21,programmer,113,1,9848022337,Rajiv@gmail.com,Hyderabad,113)
(2,siddarth,Battacharya,22,programmer,113,2,9848022338,siddarth@gmail.com,Kolka ta,113)  
(3,Rajesh,Khanna,22,programmer,113,3,9848022339,Rajesh@gmail.com,Delhi,113)  
(4,Preethi,Agarwal,21,programmer,113,4,9848022330,Preethi@gmail.com,Pune,113)  
(5,Trupthi,Mohanthy,23,programmer,113,5,9848022336,Trupthi@gmail.com,Bhuwaneshw ar,113)  
(6,Archana,Mishra,23,programmer,113,6,9848022335,Archana@gmail.com,Chennai,113)  
(7,Komal,Nayak,24,teamlead,112,7,9848022334,Komal@gmail.com,trivendram,112)  
(8,Bharathi,Nambiayar,24,manager,111,8,9848022333,Bharathi@gmail.com,Chennai,111)